有人向我抱怨蟒蛇太慢了，然后我教他蟒蛇行如飞的六技，他看得目瞪口呆。你也想知道这个秘密吗？让我告诉你：Python是一门优秀的语言，可以让你在短时间内用极少的代码完成很多操作。不仅如此，它还轻松支持多任务处理，比如multiprocessing。因为GIL的存在，Python很难充分利用多核CPU的优势。但是，通过内置模块multiprocessing可以实现以下并行模式：多进程并行编程对于CPU密集型程序，可以使用multiprocessing的Process、Pool等封装类，通过多进程实现并行计算。但是由于进程中的通信成本比较高，对于需要进程间进行大量数据交互的程序来说，效率可能不会有太大的提升。多线程并行编程对于IO密集型程序，multiprocessing.dummy模块使用multiprocessing接口封装线程，使得多线程编程变得非常容易（比如可以使用Pool的map接口，简洁高效）.Distributed：multiprocessing中的Managers类提供了一种在不同进程之间共享数据的方式，可以在此基础上开发分布式程序。不同的业务场景可以选择一种或几种组合来优化程序性能。优化算法时间法的时间复杂度对程序的执行效率有很大的影响。在Python中，可以通过选择合适的数据结构来优化时间复杂度。比如在list和set中查找某个元素的时间复杂度分别是O(n)和O(1)。不同的场景有不同的优化方式。一般来说，一般有分治法、分支定界法、贪心法、动态规划等思想。例如：set的用法set的并、交、差运算比list的迭代快。因此，如果涉及求列表的交、并、差，可以转化为集合运算。循环优化每种编程语言都强调优化循环的必要性。使用Python时，您可以依靠许多技巧来使循环运行得更快。但是，开发人员经常忽略的一个技巧是避免在循环中使用点操作。例如，考虑以下代码：每次调用方法str.upper时，Python都会对该方法求值。但是，如果您用一个变量代替评估值，该值就会已知，Python可以更快地执行任务。优化循环的关键是减少Python在循环内所做的工作量，因为在这种情况下，Python的本机解释器确实会减慢执行速度。函数在循环时选择使用xrange而不是range；使用xrange可以节省大量系统内存，因为xrange()在序列中每次调用只产生一个整数元素。虽然range()会直接返回完整的元素列表，但是用于循环时会有不必要的开销。在python3中，xrange已经不存在了，range提供了一个可以遍历任意长度范围的迭代器。除了上面ipython中使用的timeit模块和cProfile之外，还要使用性能分析工具。cProfile的使用也很简单：python–mcProfilefilename.py，filename.py是要运行的程序的文件名，可以在标准输出中看到每个函数被调用的次数和运行时间，从而找到程序的性能瓶颈，进而有针对性地进行优化。
